脑机接口中的对抗特征学习：消除困倦效应的实验研究
人机交互
2019-07-24 v1 机器学习
摘要
脑电图（EEG）活动中记录间与记录内的变异性是基于 EEG 的脑机接口（BCI）的主要局限。具体而言，在较长 EEG 记录时长与 BCI 系统使用过程中疲劳与警觉水平的逐渐变化，即便这些系统每日校准，也会带来 BCI 性能的显著波动。我们在一组时长一小时、由基于 EEG 的 BCI 拼写器使用数据获取的离线实验研究中解决此问题。作为我们方法路径的主体部分，我们提出 BCI 的对抗不变特征学习概念，作为近期不断扩展的 EEG 深度学习架构上的一种正则化方法，以学习 nuisance 不变的判别特征。我们通过使用时序记录块顺序作为困倦变异性的来源，实证展示了对抗特征学习在从事件相关 EEG 活动特征中消除困倦效应的可行性。
引用
@article{arxiv.1907.09540,
title = {Adversarial Feature Learning in Brain Interfacing: An Experimental Study on Eliminating Drowsiness Effects},
author = {Ozan Ozdenizci and Barry Oken and Tab Memmott and Melanie Fried-Oken and Deniz Erdogmus},
journal= {arXiv preprint arXiv:1907.09540},
year = {2019}
}
备注
8th Graz Brain-Computer Interface Conference 2019